Spark基础学习--基础介绍

1. Spark基本介绍

1.1 定义

Spark是可以处理大规模数据的统一分布式计算引擎。

1.2 Spark与MapReduce的对比

在之前我们学习过MapReduce，同样作为大数据分布式计算引擎，究竟这两者有什么区别呢？
首先我们回顾一下MapReduce的架构：MR基于HDFS实现大数据存储，基于Yarn做资源调度，且MR是基于进程处理数据的

总结一下MR的缺点：
1.MR是基于进程进行数据处理，进程相对于线程来说，在创建和销毁的过程比较消耗资源，并且数据比较慢
2.MR在运行的时候，中间有大量的磁盘IO过程。也就是磁盘数据到内存，内存到磁盘反复的读写过程
3.MR只提供了非常低级或者说非常底层的编程API，如果想要开发比较复杂的程序，需要写大量的代码

这样对比起来，我们可以总结出Spark的优点：
1.Spark是基于线程来执行任务
2.引入了新的数据结构—RDD（弹性分布式数据集），能够让Spark程序主要基于内存进行运行。内存的读写数据相对磁盘来说要快得多
3.Spark提供了更加丰富的编程API，能够非常轻松地实现功能开发

进程和线程的对比：
1.线程的创建和销毁，比进程会更加的快速，以及更加的节省资源
2.进程很难共享内存中的数据；而同个进程中的线程可以共享内存中的数据
进程和线程具体介绍可以看上一篇笔记。

2. Spark的特点

1. 高效性–计算速度快
   • 提供了一个全新的数据结构RDD（弹性分布式数据集）
   • 基于内存计算，内存不足时可以放置在磁盘上，避免了反复磁盘读写的操作，提高了计算速度，相比于Hadoop要快100倍
   • 整个流程是基于DAG有向无环图执行方案
   • Task线程完成计算任务的执行
2. 易用性
   支持多种开发语言，降低编程难度
3. 通用性
   在Spark基础上，Spark还提供了Spark SQL等多个工具库，可以在一个应用中无缝使用这些库
4. 兼容性–在任何地方都可运行
   • 支持三方工具接入
   • 支持多个操作系统

3. Spark框架模块

• Spark Core API：实现了 Spark 的基本功能。包含RDD、任务调度、内存管理、错误恢复、与存储系统交互等模块。数据结构RDD。
• Spark SQL：我们可以使用 SQL处理结构化数据。数据结构：Dataset/DataFrame = RDD + Schema。
• Structured Streaming：基于Spark SQL进行流式/实时的处理组件，主要处理结构化数据。
• Streaming（Spark Streaming）：提供的对实时数据进行流式计算的组件，底层依然是离线计算，只不过时间粒度很小，攒批。
• MLlib：提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等。
• GraphX：Spark中用于图计算的API，性能良好，拥有丰富的功能和运算符，能在海量数据上自如地运行复杂的图算法。

4. Spark入门案例

Wordcount词频统计

读取文本文件，文件内容是一行一行的文本，每行文本含有多个单词，单词间使用空格分隔。统计文本中每个单词出现的总次数。

文本内容如下：
hello hello spark
hello heima spark

读取数据是一行一行读取的，对每一行数据都要进行内容的切分

from pyspark import SparkConf, SparkContext
import os

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

# 创建main函数
if __name__ == '__main__':
    pass
    # 1- 创建对象
    conf = SparkConf().setAppName("wordcount").setMaster("local[*]")
    sc = SparkContext(conf=conf)

    # 2- 数据输入,返回的类型是RDD
    """
        textFile：支持读取HDFS文件系统和本地文件系统
            HDFS文件系统：hdfs://node1:8020/文件路径
            本地文件系统：file:///文件路径
    """
    init_rdd= sc.textFile("file:///export/data/tfec/data/words.txt")

    # 3- 数据处理
    """
    使用到的部分RDD相关算子
    flatMap
    map
    reduceByKey
    collect
    """
    #文本内容切片
    """
    flatMap运行结果：
    输入数据：['hello hello spark', 'hello heima spark']
    输出数据：['hello', 'hello', 'spark', 'hello', 'heima', 'spark']
    
    map运行结果：
    输入数据：['hello hello spark', 'hello heima spark']
    输出数据：[['hello', 'hello', 'spark'], ['hello', 'heima', 'spark']]
    """
    fm_rdd = init_rdd.flatMap(lambda line:line.split(" "))

	#数据转换
    """
    输入数据：['hello', 'hello', 'spark', 'hello', 'heima', 'spark']
    输出数据：[('hello', 1), ('hello', 1), ('spark', 1), ('hello', 1), ('heima', 1), ('spark', 1)]
    """
    map_rdd = fm_rdd.map(lambda word:(word,1))

	#分组和聚合
    """
    输入数据：[('hello', 1), ('hello', 1), ('spark', 1), ('hello', 1), ('heima', 1), ('spark', 1)]
    输出数据：[('hello', 3), ('spark', 2), ('heima', 1)]
    
    reduceByKey底层运行过程分析：
    1- 该算子同时具备分组和聚合的功能。而且是先对数据按照key进行分组，对相同key的value会形成得到List列表。再对分组后的value列表进行聚合。
    2- 分组和聚合功能不能分割，也就是一个整体
    
    结合案例进行详细分析：
    1- 分组
        输入数据：[('hello', 1), ('hello', 1), ('spark', 1), ('hello', 1), ('heima', 1), ('spark', 1)]
        分组后的结果： 
                    key  value列表
                  hello  [1,1,1]
                  spark  [1,1]
                  heima  [1]
                  
    2- 聚合（以hello为例）
        lambda agg,curr: agg+curr -> agg表示中间临时value聚合结果，默认取列表中的第一个元素；curr表示当前遍历到的value元素，默认取列表中的第二个元素
        
        第一次聚合：
            agg =列表中的第一个1，curr=列表中的第二个1。聚合结果agg+curr=1+1=2，再将2赋值给agg
        第二次聚合：
            agg =上次临时聚合结果2，curr=列表中的第三个1。聚合结果agg+curr=2+1=3，再将3赋值给agg
            
        最后发现已经遍历到value列表的最后一个元素，因此聚合过程结果。最终的hello的次数，就是3
    """
    res = map_rdd.reduceByKey(lambda agg,curr:agg+curr)

    # 4- 数据输出
    """
    collect()：用来收集数据，返回值类型是List列表
    """
    print(res.collect())

    # 5- 释放资源
    sc.stop()